该研究论文探讨了有限的 Plackett-Luce 模型在排名数据中的可识别性和有效学习问题，提出了一种基于广义矩法的学习算法，并评估了其与其他算法的性能。

Mar, 2016

本文提出了一种名为 PL-Rank 的新算法，用于估计 PL 排名模型关于相关性和公平度量的梯度，相比现有的策略梯度方法，PL-Rank 的采样效率更高且计算成本更低，可以用于更真实、更公平的实际排名系统。

May, 2021

本文提出了对随机效用模型的条件，使其在 Bayesian 框架下通过 MC-EM 得到快速推理，并提供了对于广泛随机效用模型选择（包括 Plackett-Luce model）的具有标度性和能力的实际和模拟数据的结果解，这些条件提供了凸对数似然函数和全局最大解集的有界解。

Nov, 2012

采用基于选择建模的上下文重复选择（CRS）模型，结合多模态模型，提供了生成丰富的排名空间的工具，同时使用结构相关的尾部风险和期望风险界限，对该模型的最大似然估计提供了严格的理论保证，并且在多项式逻辑选择模型（MNL）和 Plackett-Luce（PL）排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法，包括比赛和排名投票。

Dec, 2023

本研究研究基于部分排名来推测全局偏好的问题，重点关注如何最优地为排名分配物品及数量，以达到目标估计误差，并提出了一种随机分配方案，实验证实了理论发现。

Jun, 2014

本文介绍 PL-Rank-3 算法，该算法具有可比较于最佳排序算法的计算复杂度，并且可以在任何标准排序可行的情况下应用于学习排序领域。该算法能够通过无偏梯度估计提高优化时间，而不损失性能。

Apr, 2022

本文提出了一种基于 Plackett-Luce（PL）模型和神经网络的排序深度预测算法，在零样本情况下对多个基准数据集进行了评估，相较于现有的排序和回归方法，表现出了更高的有效性。

Oct, 2020

个体在选择过程中首先从候选集中选择一些子集进行考虑，然后再从考虑集中进行选择，本文通过推断无法观测到的考虑集合来解决遇到的问题，并且使用 Plackett-Luce 模型和已知的项目效用来推断项目的考虑概率的上下界，同时提供算法以增强这些概率的界限，从而表明可以通过边界推断学习到关于考虑概率的有用信息。

Jan, 2024

本文提出了一种使用控制变量的 Plackett-Luce 分布来进行离散潜在变量学习模型的随机梯度下降的方法， 能够在非可微、离散和连续数据的因果关系学习任务中胜过其他对比松弛优化方法。

Nov, 2019

在学习排序（LTR）中，为了确保排名结果的后验公平性，提出了一种新的目标函数，通过性能约束来最大化预期相关性。该方法在 LTR 框架中构建了一个组内公平的 Plackett-Luce 模型，并展示了在三个真实数据集上的实验证明了其相比 LTR 基线模型在相关性方面具有更好的公平性和性能。

Aug, 2023